算法时代!这里有一张机器人独立完成的金属音乐专辑 | 聚焦

大型年度AI人物评选——2017中国AI英雄风云榜已于12月4日在乌镇张榜,12月18日在北京国贸三期举行颁奖典礼。


榜单评选出年度技术创新人物TOP 10;商业创新人物TOP 10,获取完整榜单请关注网易智能公众号(ID:smartman163),回复关键词“评奖”。

本文系网易智能工作室出品

聚焦AI,读懂下一个大时代



【网易智能讯 12月8日消息】近日,一种人工智能机器人发行了一个完全由算法生成的死亡金属音乐专辑。这并不是第一次有人利用机器来编写和创造新音乐,但这一次是完全不同的因为它的质量真的很棒,而且听了之后,会让人毛骨悚然。


DADABOTS的首张音乐专辑是由一个神经网络进行导出和研究的,它的研究是基于一个名为Krallice的人类金属乐队的作品。基本上,当人工智能听到所有需要听的声音之后,它便可以开始猜测接下来的音乐会是什么样子,它需要做几百万次计算才能够创造出自己的原创作品。


这张专辑的名字和歌曲的名称都是由另一个人工智能创造的。而专辑封面的插图也是由另一种算法创造出来的。换句话说,这是由一组这样的机器人一起发行了这张独立的金属唱片。



唱片的五首歌中包含了传统忧郁风格的死亡金属的自我介绍,空中吉他等,但先让我来说说另外有趣的事,我们有一个新问题。


你将如何描述由机器创造的“音乐”?这些音乐没有吉他伴奏,不过在一些音轨上你会听到非常像吉他独奏的声音。你听到了那个砰砰的鼓声吗?这不是鼓。这些都只是噪音的整合。


CJ Carr是《Coditany of Timeness》这张专辑幕后的算法创造者之一,他告诉我们这个训练方法的概要:在早期的训练中,它所发出的声音是非常嘈杂、怪异和具有纹理性的。随着训练方式的不断改进,你会开始听到自己训练的原始音乐的元素越来越多。


据该网站介绍,这张专辑是举办机器学习、创意和设计活动的2017年NIPS工作坊展示的一部分作品,名为“自主生成黑金数字摇滚”。


即使没有乐器,机器并不介意它发出的声音好听与否,并且它们听起来还是挺不错的。请叫我DADABOTS的狂热粉丝。而DADABOTS的“Wisdom Trippin”是一个很不错的音轨,这里面包含一些有趣的旋律改变。


最奇怪的是,它让我想起了一张原始的现场专辑,它的声音可能来自于80年代cbgb舞台的VHS录像带。


而且音乐的质量能够好到让你愚弄几个朋友相信是人类乐队创作的。你可以告诉他们这是你在欧洲旅行时听到的一些金属音乐磁带,然后看看有没有人猜测它是人工智能创造的。


如果你想知道购买机器人制作的音乐是否需要付费,答案是:可能不会。整张专辑提供给用户免费下载。这些音乐绝对值得一听。


我们很高兴能知道的是,假如机器人有朝一日取代人类的话,而金属音乐却不会和我们一起消失,黑金数字摇滚是音乐的未来。



添加小助手 加入交流群

点击如下关键词查看往期内容

人物专访 沈向洋 | 于尔根 | 洪小文 | 李德毅 | 尤瓦尔 | 哈萨比斯 | 宋继强 | 杨强 | 余凯 | 邓志东 | 芮勇 | 戴文渊 | 石博盟 | 韦东 | 黄学东


行业特稿 抢滩智能音箱(上) | 抢滩智能音箱(下) | 自动驾驶行业素描(上) | 自动驾驶行业素描(下) | 机器翻译技术与应用


重磅报告 麦肯锡(二) | AlphaBeta & ABC | 埃森哲 |  英国政府 | Internet Society | Forrester | VertoAnalytics 麦肯锡(一) | 苹果公司 | 耶鲁大学 

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值